Günümüz trafik sinyalizasyon sistemlerinde kullanılan sabit zamanlı sinyalizasyon ve Webster eşitliğine dayalı tekniklerin özellikle doygun ve değişken trafik şartlarında yeterli performansı sağlayamamasından dolayı artık günümüzde hesaplamalı teknikler kullanılmaya başlanmıştır. Literatürde sinyalizasyon hesaplamalarında bulanık mantık, yapay sinir ağı, karınca koloni algoritması, parçacık sürü optimizasyonu gibi bir çok yapay zeka tekniği kullanılarak yapılan çalışmalar vardır.
Bu bölümde önce literatürde kullanılan ve bu çalışmada performans karşılaştırmaları için seçilen hesaplamalı sinyalizasyon tekniklerinden bahsedilecek, bu sistemlerin trafik sinyalizasyonu işlemlerinde nasıl uygulandığı anlatılacaktır. Daha sonra SDN temelli KKA’nın çalışma yapısı ve ayrık kavşak yapıları için önerdiğimiz SDN temelli VANET mimari üzerinde uygulanılışından bahsedilecektir.
4.1.1. Literatürde kullanılan sinyalizasyon teknikleri
Bulanık-mantık yaklaşımı, Bir sistemdeki ya da kavramdaki belirsizlik bulanıklık olarak adlandırılır. Belirsiz ve kesin olmayan bilgilere dayanarak etkili sonuçlar üreten bulanık mantık, kontrol modellerini kolaylıkla gerçekleştirme olanağı sağlar. Genel küme denklemi kısmi üyeliğe izin verirken ortaya bulanıklık çıkar. Geleneksel küme denklemi Denklem 4.1’de, bulanık küme teorisi ise Denklem 4.2’de verilmiştir [31,40]. Bu çalışmada performans karşılaştırması için ortalama gecikme, kuyruk uzunluğu sistem girdisi, yeşil ışık süresi de sistemin çıktısı olarak alınmıştır. Bulanık modelde yeşil ışık süresini belirleyebilmek için Mamdani modeline göre 25 adet kural (her girdi 5 üyelik fonksiyonuna sahiptir) kullanılmıştır.
𝜇𝐴(𝑥): 𝑥 → {0,1}
𝜇𝐴(𝑥) = { 1 𝑥 ∈ 𝑋 0 𝑥 ∉ 𝑋 }
𝐴̃ = {(𝑥, 𝜇𝐴(𝑥)) ∀ 𝑥 ∈ 𝑋} 𝜇𝐴(𝑥): 𝑋 → [0,1]
Parçacık sürü optimizasyonu, 1995 yılında Kennedy ve Eberhart tarafından balıkların ve böceklerin sürü şeklinde hareketlerinden esinlenerek tasarlanmış sezgisel bir optimizasyon tekniğidir. Sürüdeki her bir bireye parçacık denir. Parçacık sürü optimizasyonundaki ana amaç, sürüdeki her bir parçacığın kendi durum ve konumunu sürü içerisindeki en optimuma göre ayarlamasıdır. Algoritmanın trafik sinyalizasyonuna uyarlanmasında yeşil ışık süresinin başlangıcından süre sonuna kadarki olan zaman aralıkları sürüdeki parçacıklar olarak atanır ve sahadaki trafik bilgilerine göre en iyi süre bulunana kadar algoritma sezgisel olarak çalışır [31]. Algoritmanın sözde kodu şu şekildedir [57]:
Başlangıç pozisyonları ve hızları ile başlangıç sürüsü oluşturulur. Döngü:
Her parçacık için;
Uygunluk değerlerini hesapla.
Mevcut durumdan en iyi (pbest) yerel durum bul. Yerel en iyiler içerisinden küresel en iyi (gbest)seç. Her parçacık için;
Hızı Denklem 4.3’e, pozisyonu ise Denklem 4.4’e göre güncelle. Eğer maksimum iterasyona ulaşıldıysa
Döngüden çık Değilse devam et.
𝑉𝑖𝑑 = 𝑊 ∗ 𝑉𝑖𝑑+ 𝑐1∗ 𝑟𝑎𝑛𝑑1∗ (𝑃𝑖𝑑− 𝑋𝑖𝑑 ) + 𝑐2∗ 𝑟𝑎𝑛𝑑2∗ (𝑃𝑔𝑑− 𝑋𝑔𝑑 ) 𝑋𝑖𝑑 = 𝑋𝑖𝑑+ 𝑉𝑖𝑑
(4.2)
(4.3)
Burada “Xid” pozisyon ve “Vid” hız değerlerini verirken, rand1 ve rand2 değerleri rasgele üretilmiş sayılardır. “Pid”ve “Pgd” ise sürü içindeki en iyi konumları ifade eder. “W” atalet ağırlık değeri ve “c1”, “c2” ölçeklendirme faktörleridir.
Karınca koloni algoritması, karıncaların çalışma yapılarından esinlenerek geliştirilmiştir. Önlerine bir engel konulduğunda kendi salgıladıkları feromonları takip edemediklerinden, karıncalar gidebilecekleri iki yoldan birini öncelikle rastsal olarak seçmektedirler. Kısa olan yoldan birim zamandaki geçiş daha fazla olacağından bırakılan feromon miktarı da daha fazla olur. Buna bağlı olarak, zaman içerisinde kısa olan yolu tercih eden karıncaların sayısında artış olur. Belli bir süre sonra tüm karıncalar bu kısa yolu tercih ederler.
KKA’nın trafik sinyalizasyonuna uyarlanması işleminde ise bir faz süresi belli periyotlara ayrılır (1’er saniyelik dilimler) ve bu zaman dilimleri karıncaların hareket noktaları olarak atanır. Şekil 4.1.’de karıncaların sinyalizasyon problemlerindeki hareketleri modellenmiştir [57,58].
Şekil 4.1. Karıncaların sinyalizasyon optimizasyonundaki davranışları
Buna göre:
- Bir karınca t anında iken mümkün olan tüm düğümlere (t + tmin, t + tmin
+1….., t + tmax) gidebilir.
- Tüm karıncalar aynı anda harekete başlarlar ve sağındaki düğümlere doğru hareket ederler. Sağ taraftaki bu düğümler bir sonraki sinyal çevrim süresini
ifade eder. Böylece full çevrim süresini bulabilirler. Herhangi bir anda veya belirlenen zamanda, t1 sonraki çevrim zamanlarının (t2 ve t3) olası kombinasyonlarını içeren çözüm kümesi olmuş olur.
Literatürde bulanık mantık, parçacık sürü optimizasyonu, genetik algoritma, karınca koloni algoritması vb optimizasyon algoritmaları ve hesaplama teknikleri kullanılarak gerçekleştirilmiş bir çok sinyalizasyon uygulaması mevcuttur. Trafik yönetim sistemlerinin sinyalizasyon hesaplarında kullanılan tasarım parametrelerinin fazlağı, bu parametrelerin bağlantıları ve sinyalizasyon sistemlerin karmaşık yapılarından dolayı, ayrık kavşak yapıları için önerilen SDN temelli VANET mimarisinin sinyalizasyon uygulamasında karınca koloni algoritması tercih edilmiştir.
4.1.2. SDN temelli KKA’nın önerilen mimari üzerinde uygulanışı
Literatürdeki çalışmalar doğrultusunda, çalışmada da, kavşak içi ortalama araç gecikme sürelerinin düşürülmesi ve kavşaktan birim zaman içerisinde geçen araç sayısının arttırılması hedeflenmiştir. Bunun için Karınca kolonisi algoritmasına girdi olarak; mevcut trafik kuyruğu (iki faz için de) ve araç gecikme süreleri kullanılmıştır. Algoritma çıktı olarak ise ilgili faz için optimal yeşil ışık süresini ayarlamaktadır. Gerçek zamanlı veri işlemesi için KKA, SDN kontrolör içerisinde bir modül olarak geliştirilmiştir. Algoritmanın akış diyagramı Şekil 4.2.’de gösterilmiştir.
Buna göre SDN anahtar cihazları ve SDN etmenli RSU’lardan gelen trafik bilgileri paket_in mesajları içerisinde Floodlight kontrolörüne geldikten sonra, paketler parçalanarak gerekli bilgiler elde edilir ve kontrolörün ağdaki düğümleri yönetmekle sorumlu olan iki modülü olan “Hat Keşfi (Link discovery)” ve “Topoloji Yöneticisi (Topology Manager)”a gönderilir. Bu modüller sayesinde bir çevrim süresi içerisinde bir yoldaki kuyruk uzunluğu ve ortalama gecikme tespit edilerek, karınca koloni algoritmasının girdileri olarak işleme alınır. Girdiler elde edildikten sonra, o kavşak için yeni yeşil ışık sürelerinin hesaplanabilmesi için algoritmanın çözüm üretme adımında Denklem 4.5’deki formül kullanılmıştır [16].
𝐽1𝑔𝑟𝑒𝑒𝑛(𝑡1,𝑡2) =q(q−1)hw2 + ∑𝑞𝑖=1(𝑡1− 𝑡𝑎1)+λ((𝑞−1)ℎ𝑤)
2
2 +
λ((𝑞−1)ℎ𝑤)[λ((𝑞−1)ℎ𝑤)−1]ℎ𝑤
2
“t1” başlangıç zamanını ifade ederken, “t2” o kavşaktaki herhangi bir çevrim zamanını ifade eder. Bu iki zaman arasında kavşaktan geçen araçların oluşturduğu kuyruk “q” ile ifade edilir. “hw” ise araçlar arasındaki boşluk zamanını ifade eder. Bu formül karınca hareketlerine bağlı olarak her iterasyonda tekrar edilir. İterasyonlar neticesinde benzer değerlerin bulunmasıyla, algoritma sonlandırılır. Bu değerlere göre hesaplanan yeşil ışık süresi o kavşağın bir sonraki çevrim zamanı olarak atanır ve ilgili kavşağa gönderilir.
4.1.3. Performans testlerinden elde edilen sonuçların değerlendirilmesi
Şehir içi ayrık kavşak yapıları için önerilen SDN temelli VANET mimarisinin işlevselliğini ölçmek için farklı trafik senaryoları üzerinde performans ölçümleri yapılmıştır. Şekil 3.2.’deki 2 fazlı izole bir kavşak yapısı üzerinde 100 araçtan (az yoğun trafik) 500 araca (yoğun trafik) kadar olan birçok senaryo sırasıyla gerçeklenmiştir. Trafik yoğunlukları uniform dağılım ile oluşturulmuştur. Ayrıca 500 araçtan oluşan araçların yön ve zaman bilgilerinin binom dağılımla üretilerek simülasyon esnasında dinamik olarak değişkenlik gösteren senaryolar da oluşturulmuştur. Tüm senaryolar için sabit olarak atanan başlangıç trafik değerleri Tablo 4.1.’de gösterilmiştir.
Tablo 4.1. Trafik senaryolari için başlangıç parametreleri S.nu Trafik parametreleri Değerler (sn)
1 minunum yeşil süresi 5 2 maximum yeşil süresi 30
3 kırmızı süresi 2
4 araçlar arası boşluk süresi 2 5 periyodik LLDP ve BDDP mesajları 3
Ayrık kavşak yapıları için önerilen mimari üzerinde çalıştırılan SDN temelli KKA, geleneksel mimarilerde kullanılan sabit zamanlı sinyalizasyon, webster eşitliği, geleneksel karınca koloni algoritması, parçacık sürü optimizasyonu ve bulanık mantık yaklaşımı ile karşılaştırılmıştır. Karınca koloni algoritmalarında karınca sayısının artırılması daha kesin sonuçlar vereceği için çalışmada her bir trafik senaryosu için 10, 25 ve 50 adet karıncadan oluşan yapılar kullanılmıştır. Çalışmada performans karşılaştırması için 5 parametre belirlenmiştir;
- Ortalama araç gecikmesi; araçların kavşak içerisinde kaybettiği zamanı ifade eder.
- Kuyruk uzunluğu; bir yeşil ışık çevrim süresi içerisinde geçen araç sayısını ifade eder.
- İşlem süresi; Sinyalizasyon işleminin ne kadar sürede tamamlandığını ifade eder.
- Simulasyon süresi; Her bir senaryodaki tüm araçların yolculuklarının tamamladığı toplam zamanı ifade eder.
- Uçtan-uca gecikme; SDN etmen araçtan çıkan paketlerin merkezdeki sinyalizasyon hesabından sonra tekrar SDN etmen araca geri dönmesine kadar geçen süreyi ifade eder.
Şekil 4.3.’de yapılan her bir farklı senaryoda kavşak içlerindeki araçların kavşağa giriş ve çıkışları arasındaki zamanda normal yolculuk süreleri haricinde kırmızı ışık ve trafik sıkışıklığından dolayı yaşamış oldukları ortalama gecikme süreleri (sn) hesaplanmıştır. Buna göre araç sayısının az olduğu senaryolarda yani kavşağın az yoğun (100-200 araç) olduğu durumlarda karınca koloni algoritması kullanılarak yapılan testlerde Webster ve sabit zamanlı hesaplamaya göre gecikme süreleri arasında %5-10 arasında iyileşme söz konusu iken özellikle doygun trafik senaryolarında (500 ve dinamik 500 araç) bu iyileşmenin %20-25 arasında olduğu gözlemlenmiştir. Parçacık sürü optimizasyonu ve bulanık mantık modeline göre bu iyileşme %8-11 arasında daha iyi sonuç vermektedir. Geleneksel karınca algoritması ile SDN temelli KKA arasında ise özellikle karınca sayısı arttığı zaman %5-12 aralığında bir iyileşme söz konusudur. Bu iyileşme, SDN’nin ağdaki tüm cihazlara ve düğümlere direk erişimi ve kontrolü, modüler yapısı ve de merkezi yönetim özellikleri sayesinde sağlanmıştır.
2 farklı yeşil fazın toplamı olan bir faz çevrim süresi içerisinde kavşaktan geçen araçların sayılarına oranın bulunduğu bu kuyruk uzunluğu performans testlerinin sonuçları Şekil 4.4.’de gösterilmiştir. Sabit zamanlı sistemlerde 80 sn olarak atanan bu çevrim süresi, diğer hesaplama tekniklerinde her senaryoya göre farklılık gösterdiğinden sonuçlar bir çevrim süresinde geçen araç sayısı oranı olarak hesaplanmıştır. Az yoğun senaryolarda oranlar birbirine yakın olsa da kavşaktaki araç yoğunluğu arttıkça SDN temelli KKA’nın bir çevrim süresi içerisinde kavşaktan geçen araç sayısında artış olduğu görülebilmektedir. Örneğin 100 araçlık senaryoda geleneksel karınca algoritması ile SDN temelli KKA arasında %0,02 oranında bir fark (bir çevrimde 3-4 araç) söz konusu iken, bu fark 500 araçlık ve dinamik senaryoda %1,5 oranına (bir çevrimde 7-8 araç) ulaşmaktadır.
Şekil 4.5.’de trafik sinyalizasyonu ile ilgili performans kriterlerinin haricinde kavşak yönetim sistemlerinin merkezlerindeki sunucuların performans karşılaştırılması için sinyalizasyon hesaplamaları için gereken süreler de hesaplanmıştır. Bu performans karşılaştırılmalarında geleneksel sistemler de SDN temelli sistemler de aynı fiziksel özelliklere sahip cihazlardan oluşmaktadırlar. Sunucu performans karşılaştırmaları neticesinde, sabit zamanlı ve Webster eşitliği gibi temel matematiksel denklemlere oturtulan metotların hesaplamalı tekniklere göre daha kısa sürede çözüm sunduğu görülmüştür.
Fakat günümüz gelişen kavşak/trafik yönetim sistemlerinin çok bileşenli komplex yapılardan oluştuğu düşünülürse hesaplama tekniklerin sinyalizasyon sistemlerinde kullanımı artık zorunlu hale gelmiştir. Burada da özellikle karınca sayısı arttığı zaman SDN temelli KKA’nın diğer hesaplamalı tekniklere göre %16 ila %20 arasında avantajı söz konusudur.
Şekil 4.6.’da, kavşaktaki araçların üretmiş oldukları yayın paketlerinin önce SDN etmen RSU’ya daha sonra ise merkezdeki sunucuya gelmesi, sunucudaki sinyalizasyon hesaplaması neticesinde ise elde edilen yeni trafik bilgilerinin (yeşil ışık süresi, faz düzeni, akış bilgisi vb.) tekrar kavşak içlerindeki araçlara döndürülmesine kadar geçen süre olarak tanımlanan uçtan-uca gecikme performans sonuçları gösterilmiştir. Uçtan-uca gecikme performans karşılaştırması neticesinde, özellikle zeki optimizasyon algoritmalarında SDN iletim altyapısı sağlamış olduğu dinamiklik ve akış kontrolü ile geleneksel ağ yapılarına oranla %17-22 arasında bir iyileşme sunmaktadır. Uçtan-uca performans karşılaştırmasında Webster ve sabit zamanlı sistemlerin gecikme sürelerinin optimizasyon algoritmalarına göre daha az çıkmasının ana sebebi bir önceki şekilde gösterildiği üzere işlem sürelerinin kısa olmasından kaynaklıdır.
Son olarak Şekil 4.7.’de ise her bir senaryodaki araçların yolculuk süreleri için geçen toplam SUMO simülasyon süreleri gözlemlenmiştir. Gerek araçların kavşak içlerindeki gecikme sürelerindeki azalma gerekse de faz süresindeki kuyruk sayılarındaki artış bu seyahat sürelerinin azalmasındaki (simülasyon zamanı) en önemli etkendir. Her bir senaryodaki araçların kavşağı terk etmelerine kadar geçen süreler dikkate alınmıştır. Düşük araç yoğunlukları için (örneğin 100 araç) simülasyon zamanında zeki sistemler, sabit zamanlı ve Webster eşitliğine göre olan uygulamalara göre %9-10 arasında bir iyileşme göstermekteyken, trafik yoğunluğunun arttığı senaryolarda bu değer %25-30 aralığına kadar çıkmaktadır. Ayrıca yoğun trafik ve değişken trafik senaryolarında SDN temelli KKA ve diğer hesaplamalı teknikler arasında da %8’lik bir iyileşme gözlenmektedir.
4.2. Koordineli Kavşak Yapılarındaki Trafik Sinyalizasyonu İçin Önerilen 3